3. 样本外验证的数据边界与切分原则

板块轮动策略的回测结果之所以经常“看起来很美”，很大程度上源于数据边界处理不当。样本外验证的核心任务，是在时间轴上划出一条策略在开发阶段“看不见”的分界线，让最终评估所用数据与参数选择、因子筛选、阈值调优所用数据严格隔离。本节围绕三个问题展开：边界划在哪里、切分方式怎么选、滚动与扩展窗口分别适用于什么场景。

一、先定逻辑，再定边界

样本内/外的切分点不是随手取一个日期，而应由策略逻辑决定。板块轮动策略通常依赖两类信息：一是宏观或流动性状态变量（如利率、信用利差、M2增速），二是板块相对强弱与动量信号。若策略使用12个月动量、月度调仓，则样本内窗口至少要覆盖若干个完整的“动量形成—持有—换仓”周期，否则参数估计会被单一行情段主导。

一个可操作的判断标准是：样本内区间应包含至少一轮完整的牛熊或风格切换，且样本外区间长度不低于策略最长持有周期的3～5倍。例如某轮动策略以20个交易日为持有期、月度调仓，样本内取2013年初至2019年末（约7年，覆盖2015年牛熊切换与2016—2018年风格反复），样本外取2020年初至2023年末（约4年，含2020年成长占优、2021年周期回归、2022年价值防御三段不同环境）。这样的切分使样本外具备独立的环境代表性，而不是样本内行情的简单延续。

二、前视偏差与数据窥探的两个高发环节

前视偏差指在时点t使用了t之后才可得的信息。板块轮动中常见的情形包括：用当月收盘价计算当月动量并据此在月初调仓；用已修订后的宏观数据（如GDP、PMI终值）做当期判断；用当前成分股列表回溯历史板块收益，导致幸存者偏差。规避方法是统一采用“信号可得时点”对齐：动量用截至上月最后一个交易日的数据，宏观变量用首次公布值而非修订值，成分股用历史时点快照。

数据窥探则发生在反复调整参数直到样本内表现最优的过程中。即使切分了样本外，若研究者多次“偷看”样本外结果并回改参数，样本外即被污染。工程上的做法是：样本外只评估一次，或采用嵌套结构——外层留出最终测试集，内层用滚动交叉验证做参数选择。参数搜索空间也应事先固定并记录，避免事后追加。

三、滚动窗口与扩展窗口的适用场景

滚动窗口保持训练集长度固定，每次向前平移，适合参数随市场结构变化而漂移的策略。例如板块动量回看期在2015年前后可能从6个月变为12个月更有效，滚动窗口能及时“遗忘”过时样本。其代价是训练样本较少，参数估计方差偏大，且窗口长度本身成为一个需要事先设定的超参数。

扩展窗口起点固定、训练集不断累积，适合参数相对稳定、样本量宝贵的策略，如基于低频宏观状态的板块配置。它保留了全部历史信息，估计更稳健，但对早期过时数据的权重不加区分，遇到制度性变化时反应偏慢。实践中可折中：用扩展窗口但给近期样本更高权重，或对宏观变量做状态分层后再累积。

无论哪种方式，测试段都必须紧接训练段之后、且不重叠。以月度调仓为例，若训练集截至2019年12月，测试集应从2020年1月开始，信号计算所用数据不得晚于2019年12月最后一个交易日。滚动步长通常取与调仓频率一致或为其整数倍，避免测试段之间出现信息重叠。

四、一份可执行的切分检查清单

在正式跑样本外之前，建议逐项核对以下要点，形成可留档的记录：

需要强调的是，样本外验证不是一次性动作，而是一套纪律。切分点、窗口类型、参数搜索空间都应在看到样本外结果之前写定；一旦样本外被用于调参，它就退化为样本内，必须重新划出新的留出区间。对于板块轮动这类受宏观环境影响较大的策略，建议保留最近1～2年作为“最终盲测集”，在策略上线前才启用，以最大程度保留其检验价值。